DOI: 10.31199/hakisderg.921647
SEKTÖR BAZINDA İŞYERLERİ VE ZORUNLU SİGORTALILARIN İLLERE GÖRE KÜMELEMESİ
Agah Başdeğirmen
1- Damla Yalçıner Çal
21
ORCID ID: orcid.org/0000-0001-7471-7977
2
ORCID ID: orcid.org/0000-0002-9232-3063
Öz
Veri madenciliği yaklaşımlarından biri olan kümeleme analizi, verilerin benzer özelliklerine göre gruplandırılarak özet bilgi halinde sunulmasını sağlayan yaygın bir yöntemdir. Bu ça- lışmada; 80 il ve 89 faaliyet grubu için sektör bazında illere göre dağılımı için kümeleme analizi ile ilgili bir veri madenciliği çalışması gerçekleştirilmiştir. Çalışma bağlamında Tür- kiye’de yer alan iller ile çeşitli faaliyet alanında yer alan iş yerleri ve zorunlu sigortalı çalı- şanlar üzerine kümeleme analizi uygulanmıştır. Türkiye’de sosyal güvenlik göstergeleri çer- çevesinde zorunlu sigortalı çalışanlar ile faaliyet gruplarına ait özel iş yerlerinin illere ve bölgelere göre tespiti çalışmanın temel amacını oluşturmaktadır. Bu çalışma ile sosyal gü- venliği yaygınlaştırmak ve kurumsal bir bakış açısı kazandırmak hedeflenmiştir. Verileri analiz etmek için Kümeleme Analizi ve Kanopi Kümeleme Algoritmasından yararlanılmıştır.
Çalışma sonucunda iller 6 kümeye ayrılmış ve kümeler faaliyet gruplarına göre değerlendi- rilmiştir. Bu bağlamda işyerleri ve zorunlu sigortalı çalışanlar illere göre önceliklendirilmiş olup, sektörlere göre kümeler ortaya çıkarılmıştır. Karar vericiler açısından kümeleme so- nuçları bölgesel ve sektörel istihdam açısından yol gösterici nitelik taşımaktadır.
Anahtar Kelimeler: Kümeleme Analizi, Kanopi Kümeleme Algoritması, İşyerleri ve Zorunlu Sigortalılar.
Atıf için:
Başdeğirmen, A. ve Yalçıner Çal, D. (2021). İşyerleri ve zorunlu sigortalıların sektör bazında illere göre kümelemesi. HAK-İŞ Uluslararası Emek ve Toplum Dergisi, 10(28), 409- 429.
1 Doktor, Antalya, Türkiye
E-posta: agahbasdegirmen@gmail.com
2 Doktora Öğrencisi, Süleyman Demirel Üniversitesi, İşletme, Isparta, Türkiye E-posta: d1940201015@ogr.sdu.edu.tr
CLUSTERING OF WORKPLACES AND COMPULSORY INSURED POLICYHOLDERS ACCORDING TO
PROVINCES BY SECTOR
Abstract
Cluster analysis, one of the data mining approaches, is a common method that allows data to be grouped according to similar characteristics and presented as summary. In this article, a data mining study on cluster analysis are carried out for 80 provinces and 89 activity groups for the distribution by provinces on a sectoral basis. Within the scope of this study, clustering have been applied on workplaces in various fields activity and compulsory policy- holders in Turkey. In terms of social security indicators in Turkey, the distribution of com- pulsory insured employees and private workplaces belonging to activity groups by provinces and regions is the main purpose of the study. With this study, it is aimed to promote social security and give instutive point of view. To analyze the data, are used clustering analysis and Canaopy Clustering Algorithm. As a result of the study, the provinces are divided into six clusters and theirs evaluated according to activity groups. In this context, workplaces and employees with compulsory insurance have been prioritized according to provinces, and clusters have been created according to sectors. For decision makers, this study is a guide for regional and sectoral employment.
Keywords: Clustering Analysis, Canopy Clustering Algorithm, Workplaces and Compulsory Policyholders
Giriş
Sosyal devlet olma ilkesi gereği sosyal güvenlik sisteminin sürdürülebilirliği bakımından sosyal sigortaların aktüeryal dengesi önemli bir rol oynamakta- dır. Sosyal güvenlik sistemleri toplumsal huzur ve sosyal barışı sağlamada dayanışmayı güçlendirici olması gereklidir. Mevcut sosyal güvenlik sistem- leri, sanayi toplumunun ihtiyaçlarına cevap verecek şekilde tasarlanmıştır (Kalkınma Bakanlığı, 2018).
Günümüz ekonomik koşullarına göre bireylerin geçimlerini asgari dü- zeyde sağlamak amacıyla belli bir ücret karşılığında çalışmasının yanı sıra üretim ve hizmet faaliyetlerinin devam etmesi bakımından işyerlerinin faali- yet göstermesi gerekir. Üretim faaliyetleri ve hizmetin sürekliliği, toplumla- rın ihtiyaçları doğrultusunda işlevlerini sürdürmekte iken, bireylerin ilgi ve yetenekleri doğrultusunda yer alan açık pozisyonlar işgücü piyasasında kar- şılık bulmaktadır.
Özel sektör açısından işletmeler belirli beceriler gerektiren ürün veya hiz- met pazarlarında rekabetçi olmak açısından çalışanlar belirli bir işverene veya işveren grubuna olan bağımlılıklarını artırmak açısından bireysel bece- riler ön plana çıkmaktadır. Bu tür özel becerilere yapılan yatırım, işçilerin risklere maruz kalmasını arttırdığından, söz konusu risklere karşı sigorta ya- parak işletmelerin özel becerilere olan ihtiyaçlarını karşılayabilirler (Mares, 2003, s.243). Ülkemizdeki sosyal güvenlik sistemi çalışanların tamamını bazı etik ve ekonomik etkiler göz önünde bulundurulduğunda sigorta yükümlü- lüklerini mecburi kılmaktadır. Zorunlu sigorta “bireyin irade ve talebi dik- kate alınmadan kurulan sigorta ilişkisinin ortaya çıkması ve içeriğe müda- hale edilmemesini içeren bir sosyal sigorta türüdür. Buna göre zorunlu si- gorta kapsamında işveren ile sigortalı arasında emredici hükümlerle düzen- lenen hukuki bir ilişki söz konusudur (Centel, 2020, s.73).
Çalışmada büyük veri depolarında tutulan çok miktarda veri modelleri sa- yesinde anlamlı ilişkileri ve davranışları sergileme sürecinde veri madenci- liği kullanılması hedeflenmiştir. Burada amaç, bilinmeyen değerli bilgiler ve ilişkiler saptanmaktadır. Veri madenciliği; ilişkilerin arasındaki desenlerin, ilişkilerin, değişimlerin, çarpıklıkların, ilkelerin ve istatistiksel olarak ön plana çıkan yapıların keşfedilmesinde yarar sağlamaktadır (Han vd., 2012, s.14-15).
Bu çalışmada Türkiye’deki sosyal güvenlik sisteminde 4/A kapsamındaki işyerleri ile zorunlu sigortalıların, faaliyet grubuna ve illere göre dağılımı veri madenciliği alanında kümeleme analizi yöntemine başvurularak, kümelen- mesi amaçlanmıştır. Bu nedenle sosyal sigorta kurumu açısından özel işyer- lerinde çalışanların zorunlu sigortalılığı bağlamında sektörlere göre kümele- mesi önem arz etmektedir. Karar vericilere yol göstermesi ve sektörlerin iş- gücüne yön vermesinin yanı sıra ülkemizin çalışan sigortalıların illere göre dağılımı amaçlanmaktadır. Sonuç olarak bu çalışmada sektörlere göre sosyal
güvenlik konusunda bilinç düzeyinin artırılması, kayıt dışı istihdamın azaltıl- ması için sektörlere yönelik yeni politikalar üretilmesi amacıyla zorunlu si- gortalı çalışanlar kümelenmiştir.
Literatür İncelemesi
Kümeleme Analizi içerisinde yer alan Kanopi Kümeleme Algoritması araştır- malarda sıklıkla tercih edilen yöntemler arasında yer almaktadır. Literatürde çeşitli karar süreçleri için kümeleme analizini sıkça kullanıldığı çalışmalar bulunmaktadır. Bunlardan sektörel ve bölgesel anlamda kümeleme çalışma- larına literatürde rastlanmaktadır. Ancak geniş çaplı tarama sonucunda iş- yerlerinde zorunlu sigortalı çalışanların illere göre durum tespiti inceleyen herhangi bir çalışmaya rastlanılmamıştır. Bu anlamda çalışma özgünlüğü açı- sından önem arz etmektedir.
Bu çalışmalardan bazıları Tablo 1’de özetlenmiştir.
Tablo 1. Kümeleme Analizi ve Kanopi Kümeleme Algoritması ile İlgili Literatür Özeti Sigorta Alanında Kümeleme Analizi ile Yapılan Çalışmalar
Bir Sigorta Portföyü Modellemede Kullanılan İki Karma Tabanlı Kümeleme Yaklaşımı
(Miljkovic ve Fernandez, 2018, s. 57)
Yeni AB Üye Devletlerinin Emeklilik Sistemlerinin Kümeleme
Analizi (Krpan, Pavkovic ve Zmuk,
2020, s. 208-222) Türkiye’deki Taşıma ve Toplam Sigorta Prim İndekslerinin Kü-
meleme Analizi ile Karşılaştırılması (Özcan ve Uzpeder, 2020, s.321-323)
TR41 Bölgesi İllerinde Mevcut Sektörlerin İstihdam ve İşyeri Sa-
yıları Açısından İl Ekonomileri Bakımından Kümeleme Analizi (BEBKA, 2012, s.3-43) Kümeleme Analizi ile E-Sigortacılığa Geçiş ve Türk Sigorta Sek-
töründeki Şirketlerin Değerlendirilmesi (Aliyeva, 2019)
Sağlık Sigortası Dolandırıcılık Tespitinde Kümeleme Analizi (Peng, Kou, Sabatka, Chen, Khazanchi ve Shi, 2006, s.116-120)
Sigortacılık Sektöründe Müşteri İlişki Yönetime Kümeleme Ana-
lizi Uygulaması (Doğan, Buldu, Demir, Ceren,
2017, s.11-18) Bireysel Emeklilik Sektöründe Müşteri Profilinin Çift Kademeli
Kümeleme Analizi ile Değerlendirilmesi (Ceylan, Gürsev ve Bulkan, 2017, s.475-485)
Kanopi Kümeleme Algoritması ile Yapılan Çalışmalar
Kanopi Kümeleme Tabanlı Çoklu Robot Alan Keşfi (Sharma, Tiwari, Shukla ve Yadav, 2014, s.505-510) Bulut Platformuna Dayalı Büyük Veri Madenciliği için Paralel
Uyarlanabilir Kanopi - K Ortalama Kümeleme Algoritmasının Araştırılması
(Xia, Ning ve He, 2020, s.263- 273)
Kanopi K-Kümeleme Algoritmasına Dayalı Yol Ağı Bölümleme
Yöntemi (Lin ve Xu, 2020: 95-106)
Kanopi – K Ortalama İki Aşamalı Kümeleme Algoritmasına Da-
yalı Tıbbi Siparişlerin Gruplandırılması (Zhuang, Han ve Hu, 2020, s.214-219)
Banka Müşterilerinin Davranışlarını Kümelemede Geliştirilmiş
Kanopi Algoritması Uygulaması (Shao, Fu, 2020, s.860-863)
Kümeleme Analizi ile Yapılan Çalışmalar
İşgücü Piyasası Düzenlemeleri ve Nüfus Sağlığının Hiyerarşik Kümeleme Analizi: Düşük ve Orta Gelirli Ülkelerin Sınıflandırıl- ması
(Muntaner, Chung, Benach ve Edwin, 2012, s.1-15) Global Covid-19 Salgının Dünya’da ve Türkiye’de Değişen Du-
rumu ve Kümeleme Analizi (Kartal, Balaban ve Bayrak-
tar, 2020, s.66-70)
Konutlarda Elektrik Taleplerinin Kümele Analizi ile Profilleri (Rhodes, Cole, Upshaw, Edgar ve Webber, 2014, s.461-471) Avrupa Birliği’nde İşgücü Piyasası Politikasının Etkinliğinin Kü-
meleme Analizi (Rollnik-Sadowska ve Dab-
rowska, 2018, s.143-158)
Tablo 1.’de yer alan çalışmaların yanı sıra kümeleme analizi sektörel ve böl- gesel istihdamı irdeleyen birtakım kümeleme araştırmaları da söz konusu- dur. Söz konusu çalışmalardan bazıları aşağıda yer almaktadır.
Huallachain, bilgi yoğun endüstrilerin ABD’deki büyük eyaletler arası sek- tör kümelerini belirlemek için istihdamı ve gelir artışı arasındaki ilişkiyi ve kümelerdeki zamansal değişiklikler edilmiştir. 1977 ve 1986 yılları arasında yedi sektörde yer alan istihdam payları incelenmiştir (Huallachain, 1991, s.411-426).
Michaelides vd. çalışmasında Yunanistan istihdam ve bölgesel planlama için Kümeleme Analizi metodolojisi kullanılmaktadır. Yunanistan 13 bölge- sinde benzer istihdam özellikleri sunan kümeler halinde toplanmıştır. Buna göre bölgesel departmanlar belirlenerek aynı karaktere sahip olan özellik- lerdeki sektörler saptanmıştır (Michaelides, 2005, s.750-757).
Yaşar, 2012 yılındaki verilere göre Türkiye’de Marmara Bölgesi’ne ait il- leri kapsayan otomotiv ana ve yan sanayi alanında kümeleme çalışması yap- mıştır. Marmara Bölgesi otomotiv ana sanayi %86,5 iken, %65 otomotiv yan sanayinde istihdam olmaktadır. İl bazında ise Kocaeli ve Sakarya birinci sı- rayı paylaşırken, Bursa ikinci sırada sektör odaklı mekânsal yoğunluğu net bir şekilde ifade etmektedir (Yaşar, 2013, s.779-805).
Akyüz vd. çalışmasında üretim faaliyeti içerisinde yer alan 18 farklı sek- töre ait 2011-2014 döneminde gerçekleşen iş kazası istatistiklerinin sektör- ler üzerinde bölümlendirilmesi amacıyla kümeleme ve ayırma analizleri ile incelenmiştir. Özdeş faaliyet gruplarına bağlı kümeler gerçekleştirilerek, se- kiz değişken ve üç oran kullanılmış ve orman ürünleri endüstri sektörünü üretim faaliyetine karşılık gelen üç alt sektörün özdeş küme arasında yer al- dığı sonucuna ulaşılmıştır (Akyüz vd. 2016, s.18-29).
Demiröğün, TRA 1 bölgesinde yer alan illerin sektörel potansiyeli işyeri ve istihdam verileri kullanılarak kümelemesi yapılmıştır. Araştırma sonuçla- rına göre tarım, hayvancılık, madencilik ve ormancılık sektörü önde yer al- mıştır (Demiröğün, 2018).
Çiftçi, Trakya alt bölgesindeki illerde faaliyet gruplarının rekabet gücü- nün analizine yönelik faaliyet gruplarında yer alan sigortalı çalışanların güçlü rekabetçi iş kolların ortaya çıkarmak adına bölgesel kümeleme yapıl- mıştır. Trakya Kalkınma Ajansı’nın 2010 yılı göstergelerine göre Edirne ve Kırklareli rekabet gücü anlamında ciddi artış olduğu sonucu elde edilmiştir (Çiftçi, 2018, s.1-15).
Roson, çeşitli endüstriler ve ülkeler arasında emek verimliliğindeki fark- lılıkların bazı ampirik kanıtları ve nicel yönlerini kümeleme analizi ile değer- lendirmiştir. Çalışmaya göre, farklı ekonomilerdeki endüstriyel işgücü ve- rimliliği, zaman eğilimleri ve sektörel profillerin tespit edilmesine yönelik so- nuçlar elde edilmiştir ( Roson, 2019, s.1-8).
Dulupçu ve Sayın, yerel ve bölgesel ekonomik kalkınma perspektifinde bölgesel rekabetçilik üzerine küme analizi ve sektör analizi yapmıştır. Buna göre 1960 yılından günümüze kadar uzanan süreçte bölgesel rekabetçiliğin makro seviyede tutarlılığını sağlamak açısından kümeleme analizi yapılmış- tır (Dulupçu ve Sayın, 2020, s.1-19).
Tablo 1’de ve yukarıda görüldüğü üzere sektörel istihdamın bölgesel ve yerel bazda bölgesel kalkınmaya veya sektörel anlamda kümeleme çalışma- ları bulunmaktadır. Bu çalışma Türkiye genelindeki illerin çeşitli sektörlerde yer alan istihdamı ve işyerlerine yönelik bütüncül bir kümeleme analizi yak- laşımı hedeflenmiştir. Bu bağlamda sadece kalkınma ajansları özelinde değil, ülkemizin sektörel istihdamı ve sosyal güvenlik politikaları açısından işyer- lerindeki zorunlu sigortalıların illere göre tespiti literatüre geniş bir bakış açısı sunmaktadır.
Veri Madenciliği
Veri madenciliği, işlenmemiş verinin ortaya çıkaramadığı bilginin işlenmesi halinde anlamlı şekilde ortaya çıkarma durumudur (Jacobs, 1999, s.8). Veri madenciliği çok büyük miktardaki verinin işlenerek anlamlı ve kurallı örün- tüler keşfetme sürecidir (Koyuncugil ve Özgülbaş, 2009, s.24).
Veri madenciliği sürecinde izlenen adımlar genellikle şu şekildedir (Shearer, 2000, s.16):
1. Problemin tanımlanması, 2. Verilerin hazırlanması,
3. Modelin kurulması ve değerlendirilmesi, 4. Modelin kullanılması,
5. Modelin izlenmesi.
Veri madenciliğinde tahmin edici ve tanımlayıcı modeller yer almaktadır (Yıldırım vd., 2008, s.430). Tahmin edici modellerde sonucu belli olan veriler için model ortaya çıkarılarak, sonuçları belli olmayan veri kümelerinde tah- minler gerçekleştirilir (Zhong ve Zhou, 1999, s.27). Tanımlayıcı modellerde mevcut olan veri üzerinde tahminler gerçekleştirilir (Savaş vd., 2012, s.9).
Veri madenciliğinde yer alan Sınıflandırma ve Regresyon tahmin edici model iken, Kümeleme ve Birliktelik tanımlayıcı model olarak yer alır (Özekes, 2003, s.67).
Kümeleme Analizi
Kümeleme, sınıflandırma problemlerini çözen bir veri analizi aracıdır. Ben- zer kümenin üyeleri arasında güçlü ve farklı kümelerin üyeleri arasında zayıf olan ilişki derecesi, (kişiler, objeler, olaylar vb.) durumlara göre dağıtmak amaçlanmıştır. Kümelemede önceden tanımlanmış sınıflar ve örnekler yok- tur. Kayıtlar kendi kendine benzerlik temelinde gruplandırılmıştır. Ortaya çı- kan kümelere hangi anlamın ekleneceğine karar vermek kullanıcıya bağlıdır.
Kümeleme genellikle başka bir veri madenciliği veya modelleme biçiminin başlangıcı olarak yapılır (Hajizadeh vd. 2010, s.111).
Aynı amaçlarla kullanılabilen faktör analizindeki gözlemlenen ifadeleri kümelere bölmesi, diskriminant ve lojistik regresyon analizlerinde küme ni- teliklerinin gizlenmesi ve analiz sürecindeki setlerin küme üyeliklerinin de- ğişebilmesine olanak tanıması gibi kümeleme analizi diğer yöntemlerden ay- rışmaktadır. Dolayısıyla verilerin yapısındaki küme sayısı bilinmemekte, gözlemler uzaklık veya yakınlık standartlarına göre kümeleme oluşturmak- tadır. Değişkenleri veya girdileri sahip oldukları niteliklere göre benzer kü- melere veya kategoriye bölmeyi sağlayan kümeleme analizi, bir takım çok değişkenli istatistiksel yöntemdir (Hair vd., 2014, s.418).
Veri objeleri, hiyerarşik kümeleme ve veri madenciliği tekniğinde yer alan küme ağacı içerisinde gruplanması formunda işlenmektedir. Kümeleme, ve- rileri sınıflar veya kategori halinde gruplandırırken, bu kümelemeyi bir kü- medeki objelerin birbirleriyle kıyaslandığında güçlü yakınlığa sahip olacak şekilde fakat diğer objelerle aralarında daha büyük ayrımlar olacak şekilde hesaplanmaktadır. Yapısal olarak kümeleme analizleri Hiyerarşik ve Bölüm- leme olmak üzere iki temel yönteme göre değerlendirilir. Hiyerarşik küme- leme algoritmasının çıktısında grafiksel gösterimde dendrogram adı verilen bir ağaç şeklinde görülmektedir. Bu ağaç, birleştirme sürecini ve ara küme- lerini grafiksel olarak gösterir. Bu grafik yapı, noktaların nasıl birleştirilebi- leceğini tek bir küme halinde gösterir. Hiyerarşik kümelemenin önemini op- timize edebilecek iki yaklaşım bulunmaktadır. Birincisi, öncelikle her bir hi- yerarşik bölümlemede nesne bağlantılarının analizini gerçekleştirmek veya ikincisi olarak hiyerarşik kümelemeyi ve diğer yaklaşımları ilk önce nesne- leri mikro kümeler halinde gruplamak için hiyerarşik bir kümelemeli algo- ritma kullanarak, mikro kümelemeler üzerinde makro kümeleme gerçekleş- tirmektir (Rani ve Rohil, 2013, s.1225-1226). Kümeleme görevi, bir hedef de- ğişkenin değerini sınıflandırmaya, tahmin etmeye veya hesaplamaya çalış- maz. Bunun yerine, kümeleme algoritmaları tüm veri kümesini nispeten ho- mojen alt gruplara veya kümelere ayırmaya çalışır. Burada küme içinde ka- yıtların benzerliği en üst düzeye çıkarılır ve küme dışındaki kayıtlarla ben- zerlik en aza indirilir (Larose, 2005, s.16).
Bir küme içindeki nesnelerin benzerliği, kümeleme sürecinde en önemli rolü oynamaktadır. İyi bir küme, nesneleri arasında maksimum benzerlik bulmaktadır. Kümelenmedeki benzerlik ölçüsü esas olarak üyeleri
arasındaki nesneler arasındaki mesafeye göre belirlenmektedir. Geleneksel bir kümede (bulanık olmayan), bir üye ya tamamen bir kümeye aittir ya da hiç değildir. Çoğu kümeleme yöntemi, herhangi bir nesne ilişkisi arasındaki benzerliği veya farklılığı belirlemek için uzaklık ölçümleri kullanılır (Rokach and Maimon, 2005, s.322).
Kümele analizi sıklıkla bir sınıflandırma aracı olarak farklı disiplinlerde veri işleme metodu olarak kullanılmıştır. Bazı araştırmacılar tarafından dendrogramların oluşturulması yoluyla verilerin yapısını da temsil etmekte- dir. Diskriminant analizi ve otomatik etkileşim algılama gibi diğer sınıflan- dırma yöntemlerinden farklı olarak, bir popülasyon içindeki önemli farklılık- lar hakkında önceden hiçbir varsayımda bulunmaz. Kümeleme analizi tama- men ampirik sınıflandırma yöntemi ve bu nedenle öncelikle tümevarımsak bir tekniktir (Punj ve David, 1983, s.134-135). Kümeleme analizi, karmaşık verilerdeki kalıpları ve ilişkileri otomatik olarak tanımlamak, verilerin yapı- ları hakkında hipotezler oluşturmak ve nesnelerin alt kümelerine yönelik tahminlerde bulunmanın bir yolunu sağlar (Bailey, 2014, s. 533-534).
Kanopi Kümeleme Algoritması
Kümeleme, veri madenciliğinin önde gelen işlevlerinden biridir. Günümüzde mevcut veri miktarının artmasından dolayı verimli ve etkili veri analitiğinin artan önemi son on yılda büyük ilgi görmektedir. Genellikle yığın hesaplama gerektirdiğinden çok sayıda yığın veriyi hızlandırma tekniği ile kanopi küme- leme algoritması önerilmektedir. Bu tür tekniklerden biri başka bir küme- leme algoritması için bir ön işleme yöntemi olan Kanopi Kümeleme Algorit- masıdır. Bu algoritma ilk olarak basit mesafe ölçüsü kullanarak bir veri kü- mesini, kanopiler adı verilen, istenen kümelerden daha hızlı gruplara böler.
Kanopi Kümeleme Algoritması, yalnızca aynı kanopi içindeki noktalar arasın- daki kümeleme algoritmalarındaki mesafe hesaplamalarını kısıtlayarak he- saplama maliyetini düşürür. Örneğin, görsel görüntü verilerinin kümelen- mesi, Kanopi Kümeleme Algoritması ile giderek artmaktadır (Kozawa vd.
2015, s.334). Kanopi Kümeleme Algoritmaları, uzaklık eşiklerinin belirtilme- sini gerektirir ve çok boyutlu veriler için uygulanabilirliği boyutluluk ile sı- nırlıdır (McCallum vd., 2000).
Kanopilerle oldukça basit ve hızlı bir şekilde doğru kümeler oluşturulabi- lir. Bu durumda, nesneler aslında çok boyutlu olan özellik alanında nokta ola- rak temsil edilir. Bu yapısıyla kanopi kümeleme algoritmasında hızlı yaklaşık mesafe ölçüsü kullanılır. Kümeleri işlemek için T1>T2 ile iki mesafe eşiği kul- lanılır. Algoritma bir dizi başlangıç noktasıyla başlar. Her noktada mesafe öl- çülür ve gruplama kararı uygulanır. Bir nokta T1’den küçük olduğunda kü- meye eklenir ve T2’den büyük olduğunda kümeden kaldırılır. İşlemin so- nunda, algoritma bir dizi kanopi üretir. Her bir kanopi benzer nesneler
grubudur. Bir nesne birden fazla kanopiye ait olabilir (Sivarathri and Govard- han, 2014, s.2593).
Şekil 1. Kanopi Kümeleme Algoritması
Şekil 1’de görüldüğü üzere, çok boyutlu bir uzayda kümelenecek referans noktaları T1 ve T2’den oluşan (T1>T2) iki sınır değerle kümeleme işlemine başlanır. İlk adımda kümelenecek referanslardan tercihen bir referans nok- tası seçimi yapılır ve bu nokta başlangıç küme merkezi olarak seçilir. Sonraki adımda hızlı bir uzaklık ölçümü uygulanarak, merkez noktasının diğer tüm noktalara olan mesafe kaydedilir. Bu hesaplama sonucunda, bazı noktalar küme merkezine olan T2 uzaklığında kalırken; bazı noktalar da T2 uzaklığı- nın dışında T1 uzaklığının içinde ve bazı noktalarda T1 uzaklığının dışında kalır. Bu başlangıç işleminde belirlenen küme merkezine, T2 uzaklığında bu- lunan bütün noktalar, bu kümenin bir elemanı olarak kabul edilmektedir. Söz konusu bu noktalar başka bir kümenin merkezi olamaz (Mccallum vd. 2000;
Köse, 2014, s. 36).
Uygulama
Bu çalışmada 4/A kapsamında işyerleri ve zorunlu sigortalıların faaliyet grupları ve illere göre dağılımı Kanopi Kümeleme Algoritması ile belirlenmiş- tir. Çalışma istatistik@sgk.gov.tr adresinden alınan 2019 yılı verileri ile ya- pılmıştır. Veri seti içerisinde 81 il ve 89 faaliyet grubu vardır. İstanbul ili ül- kemizde farklı faaliyet alanlarında oldukça tercih edildiğinden ve son se- çimde nüfusunun 15.067.724 (https://www.nvi.gov.tr/eskisehir/turkiye- nufusu-aciklandi, E.T.07.02.2021,21.07) olması; Türkiye’nin en kalabalık şehri olarak çoğu faaliyet grubunun bulunmasından ötürü çıkarılmıştır. Di- ğer iller açısından sektörlerin belirli bölgelerde zorunlu yığılımı, coğrafi özel- likleri ayrımı gözetilmeden tüm sektörler eşit olarak dağıtılmıştır.
Çalışmada kullanılan faaliyet grupları nicel değişken şeklindedir. Bu değiş- kenler Tablo 2’de ayrıntılı şekilde verilmiştir.
Tablo 2. Çalışmada Yer Alan Değişkenler (Faaliyet Grupları) Sıra Faaliyet Grupları Sıra Faaliyet Grupları
1 Bitkisel ve Hayvansal Üretim 46 Havayolu Taşımacılığı
2 Ormancılık ve Tomrukçuluk 47 Taşıma İçin Depolama ve Destekleyici Faal.
3 Balıkçılık ve Su Ürünleri Yetiş. 48 Posta ve Kurye Faaliyetleri 4 Kömür ve Linyit Çıkartılması 49 Konaklama 5 Ham Petrol ve Doğalgaz Çıkarımı 50 Yiyecek ve İçecek Hizmeti Faal.
6 Metal Cevheri Madenciliği 51 Yayımcılık Faaliyetleri 7 Diğer Madencilik ve Taş Ocak. 52 Sinema Filmi ve Ses Kaydı Yayımcılı.
8 Madenciliği Destekleyici Hizmet 53 Programcılık ve Yayıncılık Faal.
9 Gıda Ürünleri İmalatı 54 Telekomünikasyon 10 İçecek İmalatı 55 Bilgisayar Programlama ve Danış.
11 Tütün Ürünleri İmalatı 56 Bilgi Hizmet Faaliyetleri 12 Tekstil Ürünleri İmalatı 57 Finansal Hizmetler (Sig.Ve Emek.Har.) 13 Giyim Eşyaları İmalatı 58 Sigorta Reas.Emek.Fonl(Zor.S.G.Hariç) 14 Deri ve İlgili Ürünler İmalatı 59 Finans. ve Sig.Hiz.İçin Yard.Faal.
15 Ağaç,Ağaç Ürünleri Ve Mantar Ür. 60 Gayrimenkul Faaliyetleri 16 Kâğıt ve Kâğıt Ürünleri İmalatı 61 Hukuki ve Muhasebe Faaliyetleri 17 Kayıtlı Medyanın Basılması ve Çoğ. 62 İdari Danışmanlık Faaliyetleri 18 Kok Kömürü ve Petrol Ürün. İm. 63 Mimarlık ve Mühendislik Faaliyeti 19 Kimyasal Ürünleri İmalatı 64 Bilimsel Araştırma ve Geliş.Faal.
20 Eczacılık ve Ecz.İlişkin Mal.İm.. 65 Reklamcılık ve Pazar Araştırması 21 Kauçuk ve Plastik Ürünler İm. 66 Diğer Mesleki,Bilim. ve Tek.Faal.
22 Metalik Olmayan Ürünler İma. 67 Veterinerlik Hizmetleri 23 Ana Metal Sanayi 68 Kiralama ve Leasing Faaliyetleri 24 Fabrika Metal Ürün.(Mak.Tec.Har) 69 İstihdam Faaliyetleri 25 Bilgisayar, Elekronik ve Optik Ür. 70 Seyahat Acentesi,Tur Oper.Rez.Hiz 26 Elektrikli Techizat İmalatı 71 Güvenlik ve Soruşturma Faaliyet.
27 Makine ve Ekipman İmalatı 72 Bina ve Çevre Düzenleme Faaliyet.
28 Motorlu Kara Taşıtı ve Römork İm. 73 Büro Yönetimi,Büro Desteği Faal.
29 Diğer Ulaşım Araçları İmalatı 74 Kamu Yön.Ve Savunma,Zor.Sos.Güv.
30 Mobilya İmalatı 75 Eğitim 31 Diğer İmalatlar 76 İnsan Sağlığı Hizmetleri 32 Makine ve Ekipman.Kurulumu ve On. 77 Yatılı Bakım Faaliyetleri 33 Elk.Gaz,Buhar ve Hava.Sis.Üret.Da. 78 Sosyal Hizmetler 34 Suyun Toplanması Arıtılması ve Dağt. 79 Yaratıcı Sanatlar,Eğlence Faal.
35 Kanalizasyon 80 Kütüphane,Arşiv Ve Müzeler 36 Atık Maddelerin Değerlendirilmesi 81 Kumar ve Müşterek Bahis Faal 37 İyileştirme ve Diğer Atık Yön.Hiz. 82 Spor, Eğlence ve Dinlence Faal.
38 Bina İnşaatı 83 Üye Olunan Kuruluş Faaliyetleri 39 Bina Dışı Yapıların İnşaatı 84 Bilgisayar ve Kişisel Ev Eşya.Onar.
40 Özel İnşaat Faaliyetleri 85 Diğer Hizmet Faaliyetleri 41 Toptan Ve Per.Tic.Ve Mot.Taşıt.On. 86 Ev İçi Çalışanların Faaliyetleri 42 Toptan Tic.(Mot.Taşıt.Onar.Hariç) 87 Hanehalkları Tar.Kendi İht.Faal.
43 Perakende Tic.(Mot.Taşıt.Onar.Har) 88 Uluslararası Örgüt ve Tems.Faal.
44 Kara Taşıma.ve Boru Hattı Taşıma. 89 Ev Hizmetlerinde 10 Günden Fazla Çalışan- lar
45 Su Yolu Taşımacılığı
Kümeleme Analizi için Waikato Üniversitesi tarafından geliştirilen ve ücret- siz bir yazılım olan WEKA (Waikato Environment for Knowledge Analysis) programı kullanılmıştır. Kümeleme Analizi için programda yer alan tüm kü- meleme algoritmaları denenmiştir. Algoritmalar arasından hangisinin en iyi olduğu sonucuna varabilmek için illerin her bir değişken bazında endeks pu- anları toplanmış, küme algoritmaları ve standart sapmaları hesaplanmıştır.
Kümelerin homojenliğini test edebilmek için değişim katsayısı hesaplanmış- tır. Değişim katsayısı standart sapmanın ortalamaya oranlanmasıyla elde edilir ve daima küçük olan veri gurubunun homojen olduğu söylenir (Özda- mar, 2004, s. 279). Tüm bu adımlar gerçekleştirildikten sonra en iyi sonucu gösteren Kanopi Kümeleme Algoritması olmuştur.
Kümeleme Analizinin Uygulanması
Çalışmada öncelikli olarak karar matrisi oluşturulmuştur. Karar matrisi 80 il ve 89 değişken ile 80*89 şeklinde bir matris olup; arff formatında prog- rama yüklenmiştir.
Çalışmada ilk olarak veri matrisi oluşturulmuştur. Veri matrisi 80 il ve 89 değişkenden oluşan, 80*89 şeklinde bir matris olup Tablo 3.'te gösterilmek- tedir. Ancak 80 il olduğu için satırlarda ilk 5 il ve son 3 il, sütunlarda ise de- ğişkenler gösterilmektedir. İllerin ve değişkenlerin sayısı çok fazla olduğun- dan dolayı hepsi gösterilmemiştir. (İstenildiği takdirde okuyucuyla değerle- rin hepsi paylaşılabilir.)
Tablo 3. Veri Matrisi
İller
Bitkisel ve Hay- vansal Üretim Ormancılık ve Tomrukçuluk Balıkçılık ve Su Ürünleri Yetiş. Kömür ve Linyit Çıkartılması Ham Petrol ve Doğalgaz Çıka- rımı Metal Cevheri Madenciliği … Ev İçi Çalışanla- rın Faal. Hane Halkları Tar. Kendi İht. Faal. Ev Hizmetlerinde 10 Günden Fazla Çalışanlar
Adana 7239 1142 157 354 11 1127 … 4 197 1984
Adıyaman 630 141 7 6 244 428 … 0 0 55
Afyonkarahisar 3000 298 75 12 0 0 … 0 0 156
Ağrı 145 19 0 0 0 9 … 0 0 14
Amasya 889 210 7 645 0 2 … 0 0 99
… … … … … … … … … … …
… … … … … … … … … … …
Kilis 140 36 0 0 0 0 … 0 30 14
Osmaniye 282 277 2 0 0 21 … 5 0 40
Düzce 1322 257 13 0 0 24 … 6 0 188
Ayrıca veri matrisi 80*89 şeklinde bir matris olup; arff formatında programa yüklenmiştir. Şekil 2’de verilerin yer aldığı WEKA ara yüzü görülmektedir.
Şekil 2. Verilerin Düzenlendiği WEKA Ara Yüzü
Şekil 2’de yer alan ekranda “Current Relation” başlığı altında çalışmada dikkate alınan kriterler ya da öznitelikler ile seçilen özniteliklere ait mini- mum, maksimum, standart sapma, ortalama parametrelerine ait değerler ve bu değerlerin dağılımları gösterilmektedir. Özetle Şekil 2’de faaliyet grupları ile ilgili özniteliklerin/değişkenlerin detayları yer almaktadır. Küme sayısı- nın belirlenmesiyle ilgili olarak literatürde çeşitli çalışmalar incelenmiş ve en uygun olan yönteme karar kılınmıştır.
(1)
Eşitlik (1)’de yer alan formül ile küme sayısı belirlenmiştir (Everitt, 1974:
122). Burada k küme sayısını ve n kümelenecek birim sayısını göstererek, 𝐤 = #𝟖𝟎𝟐 sonucunda kullanılacak küme sayısı 6 olarak hesaplanmıştır.
WEKA Programında elde edilen sonuçta kümeleme analizi 6 küme olacak şekilde gerçekleştirilmiştir. Küme 1’e 26 (%33), Küme 2’ye 3 (%4), Küme 3’e 13 (%16), Küme 4’e 5 (%6), Küme 5’e 5 (%6) ve Küme 6’ya 28 ( %35) il atan- mıştır.
Kümeleme Analizi ile birlikte kümelere ayrılan iller Tablo 3’te ayrıntılı şe- kilde gösterilmektedir.
Tablo 3. İllerin Kümeleme Sonuçları
Küme 1 Küme 2 Küme 3 Küme 4 Küme 5 Küme 6
Adıyaman Antalya Adana Hakkâri Afyonkarahisar Ağrı
Bolu Aydin Ankara Siirt Bilecik Amasya
Çanakkale Muğla Balıkesir Şanlıurfa Burdur Artvin
Corum Bursa Van Isparta Bingöl
Diyarbakır Denizli Şırnak Kütahya Bitlis
Edirne Eskişehir Çankırı
Elazığ Gaziantep Erzincan
Erzurum Mersin Gümüşhane
Giresun İzmir Kars
Hatay Kocaeli Kırşehir
Kastamonu Konya Muş
Kayseri Manisa Nevşehir
Kırklareli Tekirdağ Niğde
Malatya Rize
Kahramanmaraş Sinop
Mardin Tunceli
Ordu Yozgat
Sakarya Aksaray
Samsun Bayburt
Sivas Karaman
Tokat Kırıkkale
Trabzon Bartın
Uşak Ardahan
Zonguldak Iğdır
Batman Yalova
Düzce Karabük
Kilis
Osmaniye
Kümeler değişkenler bazında incelenerek ortalamaları hesaplanmış ve bu or- talamalar dikkate alınarak sıralama yapılmıştır. Sıralamaların da ortalaması alınarak 1 alan değer 4/A kapsamında işyeri ve zorunlu sigortalıların bulun- duğu çalıştığı yerler arasında en yüksek performansı gösterirken, 6 en düşük performansı göstermektedir. Bu bilgiler Tablo 4.’te ayrıntılı şekilde gösteril- mektedir.
Tablo 4. Kümelemeler ile İlgili Parametreler
Küme Küme 1 Küme 2 Küme 3 Küme 4 Küme 5 Küme 6
Parametre Ortalama Sıralama Ortalama Sıralama Ortalama Sıralama Ortalama Sıralama Ortalama Sıralama Ortalama Sıralama Bitkisel ve Hay-
vansal Üretim 1051 3 5749 1 4210 2 1038 5 1039 4 325 6
Ormancılık ve
Tomrukçuluk 339 4 1436 1 807 2 58 6 418 3 133 5
Balıkçılık ve Su
Ürünleri Yetiş. 116 3 1082 1 217 2 13 6 70 4 34 5
Kömür ve Linyit
Çıkartılması 496 3 613 2 1293 1 144 5 495 4 73 6
Ham Petrol ve Do-
ğalgaz Çıkarımı 73 1 0 * 14 3 46 2 0 * 0 *
Metal Cevheri Ma-
denciliği 423 2 327 3 754 1 233 4 207 5 168 6
Diğer Madencilik
ve Taş Ocak. 493 4 2533 1 1641 3 401 5 2168 2 207 6
Madenciliği Des-
tekleyici Hizmet 149 2 93 4 289 1 101 3 43 5 17 6
Gıda Ürünleri
İmalatı 4241 3 9919 2 17238 1 1422 6 3129 4 1745 5
İçecek İmalatı 129 4 401 2 644 1 21 6 151 3 38 5
Tütün Ürünleri
İmalatı 44 2 15 3 261 1 0 * 1 4 0 *
Tekstil Ürünleri
İmalatı 3606 2 1136 3 19826 1 797 5 1007 4 320 6
Giyim Eşyaları
İmalatı 5122 2 1170 4 10543 1 2555 3 965 6 1046 5
Deri ve İlgili
Ürünler İmalatı 291 3 94 5 1703 1 301 3 99 4 59 6
Ağaç, Ağaç Ürün-
leri ve Mantar Ür. 785 3 1682 2 2195 1 75 6 616 4 142 5
Kâğıt ve Kâğıt
Ürünleri İmalatı 274 3 280 2 2365 1 39 6 190 4 65 5
Kayıtlı Medyanın
Basılması ve Çoğ. 137 3 403 2 1582 1 49 5 120 4 46 6
Kok Kömürü ve
Petrol Ürün. İm. 36 3 5 6 507 1 20 4 9 5 39 2
Kimyasal Ürünleri
İmalatı 248 4 891 2 4167 1 84 6 371 3 151 5
Eczacılık ve Ecz.
İlişkin Mal. İm. 123 2 45 3 971 1 31 4 5 5 0 *
Kauçuk ve Plastik
Ürünler İm. 996 3 1876 2 8763 1 341 6 568 4 422 5
Metalik Olmayan
Ürünler İma. 1731 4 3964 3 6100 2 728 5 7093 1 545 6
Ana Metal Sanayi 1692 2 658 4 6362 1 102 6 798 3 572 5
Fabrika Metal
Ürün. 2142 3 2824 2 16208 1 246 6 1274 4 440 5
(Mak.Tec.Har) 74 3 209 2 1934 1 36 4 14 5 11 6
Bilgisayar, Elekt-
ronik ve Optik Ür. 593 3 758 2 6629 1 160 5 231 4 151 6
Elektrikli Teçhi-
zat İmalatı 616 3 1998 2 8138 1 89 6 367 4 114 5
Makine ve Ekip-
man İmalatı 847 2 828 3 11996 1 33 6 782 4 116 5
Motorlu Kara Ta-
şıtı ve Römork İm. 213 4 952 2 2192 1 1 6 45 5 665 3
Diğer Ulaşım
Araçları İmalatı 1828 3 2420 2 5938 1 210 6 454 4 227 5
Mobilya İmalatı 287 3 1045 2 1661 1 81 5 93 4 73 6
Diğer İmalatlar 740 3 2850 2 4435 1 306 5 453 4 233 6
Makine ve Ekip- man. Kurulumu
ve On. 1458 3 2660 2 2790 1 1304 4 1134 5 510 6
Elk. Gaz, Buhar ve Hava. Sis. Üret.
Dağt. 112 3 413 2 491 1 74 5 100 4 43 6
Suyun Toplan- ması Arıtılması ve Dağt.
146 3 815 1 459 2 15 6 85 4 19 5
Kanalizasyon 565 3 2179 2 2714 1 281 5 493 4 251 6
Atık Maddelerin
Değerlendirilmesi 8 4 523 1 49 2 3 6 18 3 6 5
İyileştirme ve Di-
ğer Atık Yön. Hiz. 6264 3 20360 2 22801 1 4201 5 4250 4 2229 6
Bina İnşaatı 2969 3 4479 2 7511 1 2509 4 2024 5 1415 6
Bina Dışı Yapıla-
rın İnşaatı 2270 3 9127 2 9864 1 786 5 1327 4 652 6
Özel İnşaat Faal. 1901 3 5919 2 8614 1 758 5 1042 4 463 6 Toptan ve
Per.Tic.ve Mot.
Taşıt. On. 3947 3 14905 2 22730 1 2307 4 1892 5 862 6
Toptan Ticaret (Mot.Ta-
şıt.Onar.Hariç) 11902 3 44172 2 46791 1 5751 5 7541 4 3681 6
Perakende Tica- ret (Mot.Ta-
şıt.Onar.Har) 5962 4 11205 2 19291 1 6364 3 3584 5 1866 6
Kara Taşımacılığı ve Boru Hattı Ta-
şımacılığı 25 3 1302 1 203 2 4 4 0 * 8 *
Su Yolu Taşımacı-
lığı 9 5 823 1 162 2 17 4 6 6 41 3
Havayolu Taşıma-
cılığı 1140 3 4678 2 7994 1 533 5 891 4 288 6
Taşımacılık İçin Depolama ve Des- tek Faal.
262 3 616 2 1638 1 116 5 140 4 113 6
Posta ve Kurye
Faaliyetleri 1254 4 33872 1 4118 2 455 6 1506 3 599 5
Konaklama 5268 3 22270 2 23008 1 2062 5 3892 4 1685 6
Yiyecek ve İçecek
Hizmeti Faal. 123 4 295 2 591 1 176 3 84 5 39 6
Yayımcılık Faal. 35 3 136 2 267 1 13 5 20 4 8 6
Sinema Filmi ve Ses Kaydı Yayım-
cılığı 29 3 49 2 140 1 13 4 12 5 6 6
Programcılık ve
Yayıncılık Faal. 127 4 418 2 812 1 54 5 183 3 22 6
Telekomünikas-
yon 221 3 581 2 2710 1 164 4 84 6 70 5
Bilgisayar Prog- ramlama ve Da- nışmanlığı
445 3 511 2 1158 1 110 6 159 4 120 5
Bilgi Hizmet Faal. 345 3 1180 2 1823 1 177 5 258 4 104 6
Finansal Hizmet (Sig.ve Emek.
Har.) 140 3 273 2 565 1 68 5 78 4 32 6
Sigorta Reas.
Emek. Fon.
(Zor.S.G.Hariç)
302 3 1384 2 1555 1 163 4 146 5 76 6
Finans.ve Sigorta- cılık Hizmet İçin Yardım Faal.
1400 3 6110 1 5459 2 633 4 309 5 249 6
Gayrimenkul Faal. 1124 3 4173 2 5862 1 511 5 721 4 297 6
Hukuki ve Muha-
sebe Faal. 657 3 2664 2 5594 1 173 6 350 4 120 5
İdari Danışmanlık
Faal. 1012 3 3034 2 5479 1 717 4 547 5 274 6
Mimarlık ve Mü-
hendislik Faal. 27 4 163 2 797 1 13 5 33 3 5 6
Bilimsel Araş- tırma ve Gelş.
Faal. 128 3 866 2 1196 1 23 5 51 4 23 5
Reklamcılık ve
Pazar Araştırması 241 3 974 2 1475 1 136 5 180 4 91 6
Diğer Mesleki, Bi- lim ve Teknolojik Faal.
86 4 369 1 311 2 93 3 57 5 35 6
Veterinerlik Hiz-
metleri 143 3 978 1 760 2 72 4 57 5 43 6
Kiralama ve Lea-
sing Faal. 299 4 1922 1 1778 2 1092 3 161 5 131 6
İstihdam Faal. 180 3 3916 1 962 2 78 5 101 4 72 6
